基于Tengine边缘智能的人脸识别方法

发布时间：2021-11-08 10:56

　　近年来,随着万物互联的到来,人工智能已经在智能家居、智能安防、智能语音、无人驾驶多个领域快速发展。人工智能对算力的需求越来越大,边缘终端产生的数据传输至云端服务器会有较大的延时,需要将主要处理和数据存储放在网络的边缘节点。在这种情况下,边缘智能应声而出,边缘智能是具备机器学习和高级网络功能的边缘计算,将深度学习模型高效地运行在资源受限的终端设备,有必要进行试验性研究。人脸识别技术作为当下人工智能的热门技术,是未来边缘智能的重要应用场景之一。本论文针对在边缘智能平台下的人脸识别方法展开分析,在云端服务器完成模型的训练,并将生成的模型进行优化和转换,把冗余计算部分去掉转换成Tengine可直接调用的模型,再基于Tengine推理框架将转换后的模型在边缘智能平台完成模型的推理部分,设计并实现了高效的人脸识别方法,主要工作包括:1)采用EAIDK-610开发板,搭建边缘智能平台的软硬件。为了对比边缘智能平台不同框架之间的差异,对搭建好的平台测试Tengine推理框架的性能,通过与Caffe框架对比运行相同模型的时间,验证了模型的有效优化。2)针对移动设备资源的有效性,采用了轻量级神经网络Mob... 

【文章来源】：南京邮电大学江苏省

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

人脸几何特征

南京邮电大学专业学位硕士研究生学位论文第一章绪论3图1.1人脸几何特征（2）基于模板匹配的人脸识别。20世纪90年代，Brunelli等通过实验得出基于模板匹配的方法优于基于集合结构的方法[13]的结论。首先需要图像作标准模板或将模板先行参数化，再计算输入图像与模板之间脸部轮廓、五官匹配度的相关值。最后与设定的阈值对比来确定是否有人脸信息。这种方法识别效果不错，但在形状、姿态、人脸尺度、等方面的变化仍不能很好地处理。（3）基于深度学习方法。利用深度学习方法，2012年,勒尼德研究小组[14]率先将深度学习用于人脸数据集（LabledFacesintheWild，LFW）取得了87%的识别率。而当时利用传统的人脸识别算法在LFW数据库上的识别率只有为60%，这引起了人脸识别领域里科研人员对深度学习的关注。近几年，基于大量的数据训练，国外许多项目基于深度学习方法成功应用在人脸识别中。如FaceNet[15]、DeepID[16]、DeepFace[17]等，有着很高的准确率。LFW人脸数据库是目前人脸识别常用的数据库，其提供的人脸图片均来源于生活中的自然场景。由于多种因素的影响导致即使同一人的照片差异也很大。LFW数据集主要是从互联网上搜集图像，共有13233张人脸图像，每张图像均给出对应的人名，共有5749人，且绝大部分人仅有一张图片。如图1.2所示：图1.2部分LFW数据集

TengineAPI接口


本文编号：3483567